Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation

기술 요약: 보존 양자 컴퓨팅을 위한 SRF 공동(Cavity) 및 트랜스몬의 신경망 역설계

문제 정의
보존 양자 컴퓨팅을 위해 트랜스몬 큐비트에 결합된 초전도 무선 주파수(SRF) 공동을 설계하는 것은 복잡한 역문제(inverse problem)를 포함한다: 즉, 특정 전자기적(EM) 및 결합 목표를 생성하는 장치 기하 구조를 복원하는 것이다. 이 매핑은 일반적으로 일대다(one-to-many) 관계를 갖는데, 이는 여러 기하 구조가 유사한 성능을 낼 수 있거나, 반대로 특정 응답에 대한 구체적인 기하 구조를 찾는 것이 까다로울 수 있음을 의미한다. 설계 파라미터 공간이 확장됨에 따라, 기존의 반복적인 시뮬레이션(예: COMSOL 또는 HFSS 사용) 비용은 감당하기 어려워진다. 특히, 큐비트와 공동 사이의 결합 강도는 트랜스몬의 기하 구조와 공동 내의 전자기장 내 큐비트 위치 모두에 매우 민감하게 의존한다. 형태 결정(shape determination)이나 진화적 탐색(evolutionary searches)과 같은 전통적인 최적화 방법은 EM 파라미터의 일부만을 조정하며, 분산 해밀토니안(dispersive Hamiltonian) 파라미터와 장치 기하 구조 사이의 고차원적이고 비선형적인 의존성을 다루는 데 어려움을 겪는다.

방법론
저자들은 설계 스택의 서로 다른 수준에서 이 역설계 문제를 해결하기 위해 두 가지 상호 보완적인 심층 신경망(DNN) 접근 방식을 제안한다. 워크플로우는 데이터 기반 템플릿을 따른다: 후보 기하 구조 샘플링, 레이블이 지정된 데이터셋 생성을 위한 유한 요소 시뮬레이션 평가, 역함수(geometry $\to$ response)를 학습하기 위한 DNN 훈련, 그리고 엔드 투 엔드(end-to-end) 재시뮬레이션을 통한 예측 검증 순으로 진행된다.

1. 공동 기하 구조 역설계:

   • 목표: 목표하는 공동 관측값(observables)을 생성하는 SRF 공동 기하 구조를 생성한다.
   • 입력: 두 종류의 DNN이 훈련되었다. 첫 번째는 TM$_{010}$-유사 패스밴드 폭(특정 모드 간의 주파수 차이)을 입력으로 받는다. 두 번째는 잠재적 큐비트 위치에서의 5점 축 방향 $E_z$ 전계 프로파일을 입력으로 받는다.
   • 출력: 큐빅 스플라인(cubic splines)으로 매개변수화된 공동 벽 기하 구조이다. 멀티셀(TESLA-유사) 공동의 경우, 출력은 자오선 윤곽(meridional contour)을 정의하는 제어점을 정의하며, 원통형 공동의 경우 제어점과 길이를 정의한다.
   • 훈련 데이터: COMSOL에서 시뮬레이션된 2,000개의 멀티셀 및 2,000개의 원통형 기하 구조를 샘플링하였다.
   • 아키텍처: ReLU 활성화 함수를 사용하는 피드포워드 네트워크이다. 주파수 입력 네트워크는 입력의 다항식 확장(polynomial expansion)을 사용하며, 전계 입력 네트워크는 5개 지점 벡터를 직접 처리한다.

2. 트랜스몬 역설계:

   • 목표: 목표하는 큐비트-공동 파라미터($g, \nu_q, \alpha$)를 생성하는 트랜스몬 큐비트 설계를 생성한다. 주목할 점은 교차 커(cross-Kerr) 상호작용 $\chi_{0m}$은 분산 영역(dispersive regime)에서 다른 파라미터들에 대수적으로 의존하며 그 크기가 수 차수(orders of magnitude)만큼 차이 나기 때문에, 부적절한 회귀 타겟이 되므로 입력에서 제외되었다.
   • 입력: 목표 파라미터 $(g, \nu_q, \alpha)$ (결합률, 드레스트 큐비트 주파수, 비조화도).
   • 출력: 세 가지 트랜스몬 설계 변수인 접합 삽입 깊이($z_{trans}$), 조셉슨 인덕턴스($L_J$), 션트 패드 폭($w_{pad}$)이다.
   • 훈련 데이터: pyEPR 프레임워크를 통해 처리된 HFSS 고유 모드(eigenmode) 시뮬레이션에서 유도된 981개의 "클린(clean)" 데이터 포인트이다. 물리 기반 필터를 통해 "나쁜 솔루션"(예: 모드 혼합 또는 분산 근사의 붕괴)을 제거하였다.
   • 아키텍처: 3개의 입력 파라미터를 3개의 설계 변수로 매핑하는 완전 연결 피드포워드 네트워크이다.

주요 기여

• 이중 수준 역설계: 본 연구는 거시적 공동 구조와 미시적 큐비트 파라미터를 모두 아우르는 완전한 파이프라인을 제시하여, 3D cQED 시스템을 위한 전체 설계 스택을 다룬다.
• 특성 분석 파이프라인과의 통합: 트랜스몬 DNN은 에너지 참여 비율(EPR) 방식(pyEPR로 구현됨)을 통해 추출된 파라미터로 직접 훈련되었다. 이는 머신러닝 모델을 표준 양자 소자 특성 분석 워크플로우 내에 내장시켜, 기하 구조에 의존적인 자기 및 교차 커 상호작용을 효과적으로 역전시킨다.
• 일대다 매핑 처리: 특정 분포의 실행 가능한 기하 구조를 학습함으로써, 결정론적 피드포워드 네트워크는 주어진 타겟에 대해 하나의 실행 가능한 솔루션 브랜치를 선택하여 샘플링된 설계 공간 내의 모호성을 피한다.

결과

• 공동 성능:
  • 패스밴드 폭 DNN은 목표 패스밴드 폭과 ~5% 이내로 일치하는 기하 구조를 복구하였다. 네트워크는 덜 중요한 기하학적 세부 사항을 변화시키면서도 지배적인 특징(예: 아이리스 반경)에 집중하였다.
  • $E_z$ 전계 DNN은 더 높은 충실도를 보였으며, 입력 전계 프로파일을 각 지점별로 ~4% 이내의 오차로 일치시켰다.
  • COMSOL에서의 엔드 투 엔드 재시뮬레이션은 이러한 결과를 확인해주었다.
• 트랜스몬 성능:
  • 트랜스몬 DNN은 15회의 무작위 훈련/테스트 셔플에 대해 **1.81 ± 0.96%**의 평균 상대 평균 제곱근 오차(RRMSE)를 달성하였으며, 최상의 셔플에서는 **0.72%**에 도 달했다.
  • 엔드 투 엔드 검증은 HFSS와 pyEPR 추출을 통해 DNN이 예측한 설계를 재시뮬레이션하는 방식으로 이루어졌다. 복구된 파라미터 $(g, \nu_q, \alpha)$는 타겟으로부터 최대 ~2% (구체적으로 $\alpha$는 ~1.6%, $g$는 ~1%, $\nu_q$는 ~0.5%) 이내로 벗어났다.
  • 모델은 장기 저장(낮은 교차 커)에서 빠른 제어(높은 교차 커) 적용에 이르기까지 다양한 작동 영역에 걸쳐 성공적으로 일반화되었다.

의의 및 주장
본 논문은 이러한 DNN 접근 방식이 초전도 양자 하드웨어를 설계하는 데 통상적으로 요구되는 반복적인 시뮬레이션 연구에 대한 빠른 대안을 제공한다고 주장한다. 원하는 장치 동작을 후보 설계로 직접 매핑함으로써, 이 방법은 수 분이 소요될 수 있는 수동 파라미터 스윕(parameter sweep)의 반복 과정을 우회한다.

저자들은 이 연구를 "양자를 위한 AI(AI-for-quantum)" 방향의 맥락에 배치하며, 양자 소자가 확장되고 파라미터 공간이 넓어짐에 따라 이 기술의 유용성을 강조한다. 이 접근 방식은 하드웨어-소프트웨어 공동 설계를 통해 특정 애플리케이션에 맞춤화된 범용 게이트 세트를 구축하는 방법으로 제시된다. 저자들은 현재의 결정론적 네트워크가 단일 솔루션을 생성하지만, 향후에는 생성적(generative) 또는 가역적(invertible) 아키텍처를 사용하여 단일 타겟에 대해 여러 실행 가능한 기하 구조가 존재하는 경우를 다룰 수 있으며, 이를 통해 다양한 결합 영역(예: 장기 수명 저장 선호 vs 빠른 제어 선호)에 대한 더 넓은 범위의 설계 옵션을 제공할 수 있다고 언급하였다.